目标检测（一）—— SSD（single shot multibox detection）

最新推荐文章于 2025-05-27 14:59:48 发布

原创

最新推荐文章于 2025-05-27 14:59:48 发布 · 5.5k 阅读

25 ·

CC 4.0 BY-SA版权

SSD是一种高效的one-stage目标检测算法，通过多尺度特征预测和卷积进行检测。它在不同层级的特征图上进行预测，结合default box和Anchor策略，利用Smooth L1和Softmax Loss进行损失计算。文章详细介绍了SSD的基本结构、设计理念、Gluon实现以及训练和损失函数。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在这里插入图片描述

1 Inference

Single shot指明了SSD算法属于one-stage方法，MultiBox指明了SSD是多框预测。

SSD是一种one-stage方法，其主要思路是均匀地在图片的不同位置进行密集抽样，抽样时可以采用不同尺度和长宽比，然后利用CNN提取特征后直接进行分类与回归，整个过程只需要一步，所以其优势是速度快。

在这里插入图片描述

2 基本结构与设计理念

2.1 default box & feature map cell

feature map cell 就是将 feature map 切分成 $8 \times 8$ 或者 $4 \times 4$ 之后的一个个格子；
而 default box 就是每一个格子上，一系列固定大小的 box，即图中虚线所形成的一系列 boxes。

在这里插入图片描述

2.2 Model

SSD 是基于一个前向传播 CNN 网络，产生一系列固定大小（fixed-size）的 bounding boxes，以及每一个 box 中包含物体实例的可能性，即 score。之后，进行一个非极大值抑制（Non-maximum suppression）得到最终的 predictions。

**SSD**

在这里插入图片描述

SSD 300中输入图像的大小是300x300，特征提取部分使用了VGG16的卷积层，并将VGG16的两个全连接层转换成了普通的卷积层（图中conv6和conv7），之后又接了多个卷积（conv8_1，conv8_2，conv9_1，conv9_2，conv10_1，conv10_2），最后用一个Global Average Pool来变成1x1的输出（conv11_2）。

2.3 设计理念

2.3.1 多尺度特征预测

采用多尺度特征图用于分类和位置回归：
SSD将conv4_3、conv7、conv8_2、conv9_2、conv10_2、conv11_2都连接到了最后的检测、分类层做回归。

CNN网络一般前面的特征图比较大，后面会逐渐采用stride=2的卷积或者pool来降低特征图大小。如下图所示，一个比较大的特征图和一个比较小的特征图，它们都用来做检测。这样做的好处是比较大的特征图来用来检测相对较小的目标，而小的特征图负责检测大目标，8x8的特征图可以划分更多的单元，但是其每个单元的先验框尺度比较小，可检测相对较小的目标。

2.2.2 采用卷积进行检测

SSD直接采用卷积对不同的特征图来进行提取检测结果。对于形状为 $m\times n \times p$ 的特征图，只需要采用 $3\times 3 \times p$ 这样比较小的卷积核得到检测值。

使用一系列 convolutional filters，去产生一系列固定大小的 predictions，
产生的 predictions有以下两种：

归属类别的一个得分
相对于 default box coordinate 的 shape offsets。

2.2.3 Anchor

Anchor的生成：

特征图的每个点都会生成一大一小两个正方形的anchor。 小方形的边长用min_size来表示，大方形的边长用 $\sqrt{min\_size*max\_size}$ 来表示(min_size与max_size的值每一层都不同)。
多个长方形的anchor。长方形anchor的数目在不同层级会有差异，他们的长宽可以用下面的公式来表达，ratio的数目就决定了某层上每一个点对应的长方形anchor的数目：

$width=\sqrt{ratio}*min\_size$
$length=1/\sqrt{ratio}*min\_size$
上面的min_size和max_size由下式计算得到， $S m i n = 0.2 ， S m a x = 0.95$ ，m代表全部用于回归的层数，比如在SSD 300中m就是6。第k层的 $min\_size=S_k$